Αυτή η ανάρτηση συνυπογράφεται με τους Chaoyang He, Al Nevarez και Salman Avestimehr από το FedML.
Πολλοί οργανισμοί εφαρμόζουν μηχανική μάθηση (ML) για να βελτιώσουν τη λήψη επιχειρηματικών αποφάσεων μέσω της αυτοματοποίησης και της χρήσης μεγάλων κατανεμημένων συνόλων δεδομένων. Με αυξημένη πρόσβαση στα δεδομένα, η ML έχει τη δυνατότητα να παρέχει απαράμιλλες επιχειρηματικές πληροφορίες και ευκαιρίες. Ωστόσο, η κοινή χρήση ακατέργαστων, μη απολυμανμένων ευαίσθητων πληροφοριών σε διαφορετικές τοποθεσίες εγκυμονεί σημαντικούς κινδύνους για την ασφάλεια και το απόρρητο, ειδικά σε ρυθμιζόμενες βιομηχανίες όπως η υγειονομική περίθαλψη.
Για την αντιμετώπιση αυτού του ζητήματος, η ομοσπονδιακή μάθηση (FL) είναι μια αποκεντρωμένη και συνεργατική τεχνική εκπαίδευσης ML που προσφέρει απόρρητο δεδομένων διατηρώντας παράλληλα την ακρίβεια και την πιστότητα. Σε αντίθεση με την παραδοσιακή εκπαίδευση ML, η εκπαίδευση FL λαμβάνει χώρα σε μια απομονωμένη τοποθεσία πελάτη χρησιμοποιώντας μια ανεξάρτητη ασφαλή συνεδρία. Ο πελάτης μοιράζεται μόνο τις παραμέτρους του μοντέλου εξόδου του με έναν κεντρικό διακομιστή, γνωστό ως συντονιστής εκπαίδευσης ή διακομιστής συγκέντρωσης, και όχι τα πραγματικά δεδομένα που χρησιμοποιούνται για την εκπαίδευση του μοντέλου. Αυτή η προσέγγιση αμβλύνει πολλές ανησυχίες σχετικά με το απόρρητο δεδομένων, ενώ επιτρέπει την αποτελεσματική συνεργασία στην εκπαίδευση μοντέλων.
Αν και το FL είναι ένα βήμα προς την επίτευξη καλύτερου απορρήτου και ασφάλειας δεδομένων, δεν είναι μια εγγυημένη λύση. Τα ανασφαλή δίκτυα που δεν διαθέτουν έλεγχο πρόσβασης και κρυπτογράφηση μπορούν ακόμα να εκθέσουν ευαίσθητες πληροφορίες στους εισβολείς. Επιπλέον, τοπικά εκπαιδευμένες πληροφορίες μπορούν να εκθέσουν ιδιωτικά δεδομένα εάν αναδημιουργηθούν μέσω μιας επίθεσης συμπερασμάτων. Για τον μετριασμό αυτών των κινδύνων, το μοντέλο FL χρησιμοποιεί εξατομικευμένους αλγόριθμους εκπαίδευσης και αποτελεσματική κάλυψη και παραμετροποίηση πριν μοιραστεί πληροφορίες με τον συντονιστή εκπαίδευσης. Ισχυροί έλεγχοι δικτύου σε τοπικές και κεντρικές τοποθεσίες μπορούν να μειώσουν περαιτέρω τους κινδύνους συμπερασμάτων και διήθησης.
Σε αυτήν την ανάρτηση, μοιραζόμαστε μια προσέγγιση FL χρησιμοποιώντας FedML, Υπηρεσία Amazon Elastic Kubernetes (Amazon EKS), και Amazon Sage Maker για τη βελτίωση των αποτελεσμάτων των ασθενών, ενώ αντιμετωπίζονται οι ανησυχίες σχετικά με το απόρρητο και την ασφάλεια των δεδομένων.
Η ανάγκη για ομοσπονδιακή μάθηση στην υγειονομική περίθαλψη
Η υγειονομική περίθαλψη βασίζεται σε μεγάλο βαθμό σε κατανεμημένες πηγές δεδομένων για να κάνει ακριβείς προβλέψεις και εκτιμήσεις σχετικά με τη φροντίδα των ασθενών. Ο περιορισμός των διαθέσιμων πηγών δεδομένων για την προστασία του απορρήτου επηρεάζει αρνητικά την ακρίβεια των αποτελεσμάτων και, τελικά, την ποιότητα της φροντίδας των ασθενών. Επομένως, η ML δημιουργεί προκλήσεις για τους πελάτες AWS που πρέπει να διασφαλίσουν το απόρρητο και την ασφάλεια σε όλες τις κατανεμημένες οντότητες χωρίς να διακυβεύονται τα αποτελέσματα των ασθενών.
Οι οργανισμοί υγειονομικής περίθαλψης πρέπει να ακολουθούν αυστηρούς κανονισμούς συμμόρφωσης, όπως ο νόμος περί φορητότητας και λογοδοσίας ασφάλισης υγείας (HIPAA) στις Ηνωμένες Πολιτείες, ενώ εφαρμόζουν λύσεις FL. Η διασφάλιση του απορρήτου, της ασφάλειας και της συμμόρφωσης των δεδομένων γίνεται ακόμη πιο κρίσιμη στην υγειονομική περίθαλψη, απαιτώντας ισχυρή κρυπτογράφηση, ελέγχους πρόσβασης, μηχανισμούς ελέγχου και ασφαλή πρωτόκολλα επικοινωνίας. Επιπλέον, τα σύνολα δεδομένων υγειονομικής περίθαλψης συχνά περιέχουν πολύπλοκους και ετερογενείς τύπους δεδομένων, καθιστώντας την τυποποίηση και τη διαλειτουργικότητα των δεδομένων πρόκληση στις ρυθμίσεις FL.
Χρησιμοποιήστε επισκόπηση περίπτωσης
Η περίπτωση χρήσης που περιγράφεται σε αυτήν την ανάρτηση αφορά δεδομένα καρδιακών παθήσεων σε διαφορετικούς οργανισμούς, στα οποία ένα μοντέλο ML θα εκτελέσει αλγόριθμους ταξινόμησης για την πρόβλεψη της καρδιακής νόσου στον ασθενή. Επειδή αυτά τα δεδομένα είναι μεταξύ των οργανισμών, χρησιμοποιούμε ομοσπονδιακή μάθηση για να συγκεντρώσουμε τα ευρήματα.
Η Δεδομένα καρδιακών παθήσεων από το Πανεπιστήμιο της Καλιφόρνια, το Μηχανικό Αποθετήριο Μάθησης του Irvine είναι ένα ευρέως χρησιμοποιούμενο σύνολο δεδομένων για καρδιαγγειακή έρευνα και προγνωστική μοντελοποίηση. Αποτελείται από 303 δείγματα, το καθένα αντιπροσωπεύει έναν ασθενή, και περιέχει έναν συνδυασμό κλινικών και δημογραφικών χαρακτηριστικών, καθώς και παρουσία ή απουσία καρδιακής νόσου.
Αυτό το πολυμεταβλητό σύνολο δεδομένων έχει 76 χαρακτηριστικά στις πληροφορίες του ασθενούς, από τα οποία τα 14 χαρακτηριστικά χρησιμοποιούνται πιο συχνά για την ανάπτυξη και την αξιολόγηση αλγορίθμων ML για την πρόβλεψη της παρουσίας καρδιακής νόσου με βάση τα δεδομένα χαρακτηριστικά.
Πλαίσιο FedML
Υπάρχει μια μεγάλη ποικιλία πλαισίων FL, αλλά αποφασίσαμε να χρησιμοποιήσουμε το Πλαίσιο FedML για αυτήν την περίπτωση χρήσης επειδή είναι ανοιχτού κώδικα και υποστηρίζει πολλά παραδείγματα FL. Η FedML παρέχει μια δημοφιλή βιβλιοθήκη ανοιχτού κώδικα, πλατφόρμα MLOps και οικοσύστημα εφαρμογών για FL. Αυτά διευκολύνουν την ανάπτυξη και την ανάπτυξη λύσεων FL. Παρέχει μια ολοκληρωμένη σειρά εργαλείων, βιβλιοθηκών και αλγορίθμων που επιτρέπουν σε ερευνητές και επαγγελματίες να εφαρμόσουν και να πειραματιστούν με αλγόριθμους FL σε ένα κατανεμημένο περιβάλλον. Η FedML αντιμετωπίζει τις προκλήσεις του απορρήτου δεδομένων, της επικοινωνίας και της συνάθροισης μοντέλων στο FL, προσφέροντας μια φιλική προς το χρήστη διεπαφή και προσαρμόσιμα στοιχεία. Με επίκεντρο τη συνεργασία και την ανταλλαγή γνώσεων, η FedML στοχεύει να επιταχύνει την υιοθέτηση της FL και να προωθήσει την καινοτομία σε αυτόν τον αναδυόμενο τομέα. Το πλαίσιο FedML είναι αγνωστικιστικό μοντέλου, συμπεριλαμβανομένης της υποστήριξης που προστέθηκε πρόσφατα για μεγάλα γλωσσικά μοντέλα (LLM). Για περισσότερες πληροφορίες, ανατρέξτε στο Κυκλοφορία FedLLM: Δημιουργήστε τα δικά σας μοντέλα μεγάλων γλωσσών σε ιδιόκτητα δεδομένα χρησιμοποιώντας την πλατφόρμα FedML.
FedML Octopus
Η ιεραρχία και η ετερογένεια του συστήματος είναι μια βασική πρόκληση στις πραγματικές περιπτώσεις χρήσης FL, όπου διαφορετικά σιλό δεδομένων μπορεί να έχουν διαφορετική υποδομή με CPU και GPU. Σε τέτοια σενάρια, μπορείτε να χρησιμοποιήσετε FedML Octopus.
Το FedML Octopus είναι η πλατφόρμα βιομηχανικής ποιότητας του cross-silo FL για εκπαίδευση πολλαπλών οργανώσεων και πολλαπλών λογαριασμών. Σε συνδυασμό με το FedML MLOps, δίνει τη δυνατότητα σε προγραμματιστές ή οργανισμούς να διεξάγουν ανοιχτή συνεργασία από οπουδήποτε και σε οποιαδήποτε κλίμακα με ασφαλή τρόπο. Το FedML Octopus εκτελεί ένα κατανεμημένο πρότυπο εκπαίδευσης μέσα σε κάθε σιλό δεδομένων και χρησιμοποιεί σύγχρονες ή ασύγχρονες εκπαιδεύσεις.
FedML MLOps
Το FedML MLOps επιτρέπει την τοπική ανάπτυξη κώδικα που μπορεί αργότερα να αναπτυχθεί οπουδήποτε χρησιμοποιώντας πλαίσια FedML. Πριν ξεκινήσετε την εκπαίδευση, πρέπει να δημιουργήσετε έναν λογαριασμό FedML, καθώς και να δημιουργήσετε και να ανεβάσετε τα πακέτα διακομιστή και πελατών στο FedML Octopus. Για περισσότερες λεπτομέρειες, ανατρέξτε στο βήματα και Παρουσιάζοντας το FedML Octopus: κλιμάκωση της ομοσπονδιακής μάθησης στην παραγωγή με απλοποιημένα MLOps.
Επισκόπηση λύσεων
Αναπτύσσουμε το FedML σε πολλαπλά συμπλέγματα EKS ενσωματωμένα με το SageMaker για παρακολούθηση πειραμάτων. Χρησιμοποιούμε Amazon EKS Blueprints για Terraform για την ανάπτυξη της απαιτούμενης υποδομής. Το EKS Blueprints βοηθά στη σύνθεση πλήρων συμπλεγμάτων EKS που είναι πλήρως συνδεδεμένα με το λειτουργικό λογισμικό που απαιτείται για την ανάπτυξη και τη λειτουργία φόρτου εργασίας. Με τα EKS Blueprints, η διαμόρφωση για την επιθυμητή κατάσταση του περιβάλλοντος EKS, όπως το επίπεδο ελέγχου, οι κόμβοι εργασίας και τα πρόσθετα Kubernetes, περιγράφεται ως σχέδιο υποδομής ως κώδικα (IaC). Μετά τη διαμόρφωση ενός σχεδιαγράμματος, μπορεί να χρησιμοποιηθεί για τη δημιουργία συνεπών περιβαλλόντων σε πολλούς λογαριασμούς AWS και Περιοχές χρησιμοποιώντας αυτοματισμό συνεχούς ανάπτυξης.
Το περιεχόμενο που κοινοποιείται σε αυτήν την ανάρτηση αντικατοπτρίζει πραγματικές καταστάσεις και εμπειρίες, αλλά είναι σημαντικό να σημειωθεί ότι η ανάπτυξη αυτών των καταστάσεων σε διαφορετικές τοποθεσίες μπορεί να διαφέρει. Παρόλο που χρησιμοποιούμε έναν μόνο λογαριασμό AWS με ξεχωριστά VPC, είναι σημαντικό να κατανοήσουμε ότι οι μεμονωμένες συνθήκες και διαμορφώσεις μπορεί να διαφέρουν. Επομένως, οι παρεχόμενες πληροφορίες θα πρέπει να χρησιμοποιούνται ως γενικός οδηγός και ενδέχεται να απαιτούν προσαρμογή βάσει ειδικών απαιτήσεων και τοπικών συνθηκών.
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεών μας.
Εκτός από την παρακολούθηση που παρέχεται από το FedML MLOps για κάθε τρέξιμο εκπαίδευσης, χρησιμοποιούμε Πειράματα Amazon SageMaker για την παρακολούθηση της απόδοσης κάθε μοντέλου πελάτη και του κεντρικού μοντέλου (συγκεντρωτή).
Το SageMaker Experiments είναι μια δυνατότητα του SageMaker που σας επιτρέπει να δημιουργείτε, να διαχειρίζεστε, να αναλύετε και να συγκρίνετε τα πειράματά σας ML. Καταγράφοντας λεπτομέρειες, παραμέτρους και αποτελέσματα πειράματος, οι ερευνητές μπορούν να αναπαράγουν και να επικυρώσουν με ακρίβεια την εργασία τους. Επιτρέπει την αποτελεσματική σύγκριση και ανάλυση διαφορετικών προσεγγίσεων, οδηγώντας σε τεκμηριωμένη λήψη αποφάσεων. Επιπλέον, τα πειράματα παρακολούθησης διευκολύνουν την επαναληπτική βελτίωση παρέχοντας πληροφορίες για την εξέλιξη των μοντέλων και δίνοντας τη δυνατότητα στους ερευνητές να μάθουν από προηγούμενες επαναλήψεις, επιταχύνοντας τελικά την ανάπτυξη πιο αποτελεσματικών λύσεων.
Στέλνουμε τα ακόλουθα στο SageMaker Experiments για κάθε εκτέλεση:
- Μετρήσεις αξιολόγησης μοντέλου – Απώλεια προπόνησης και περιοχή κάτω από την καμπύλη (AUC)
- Υπερπαραμέτρους – Εποχή, ρυθμός εκμάθησης, μέγεθος παρτίδας, βελτιστοποιητής και μείωση βάρους
Προϋποθέσεις
Για να ακολουθήσετε αυτήν την ανάρτηση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:
Αναπτύξτε τη λύση
Για να ξεκινήσετε, κλωνοποιήστε το αποθετήριο που φιλοξενεί το δείγμα κώδικα τοπικά:
Στη συνέχεια, αναπτύξτε την υποδομή case case χρησιμοποιώντας τις ακόλουθες εντολές:
Το πρότυπο Terraform ενδέχεται να χρειαστούν 20–30 λεπτά για να αναπτυχθεί πλήρως. Αφού αναπτυχθεί, ακολουθήστε τα βήματα στις επόμενες ενότητες για να εκτελέσετε την εφαρμογή FL.
Δημιουργήστε ένα πακέτο ανάπτυξης MLOps
Ως μέρος της τεκμηρίωσης της FedML, πρέπει να δημιουργήσουμε τα πακέτα πελάτη και διακομιστή, τα οποία η πλατφόρμα MLOps θα διανείμει στον διακομιστή και στους πελάτες για να ξεκινήσει η εκπαίδευση.
Για να δημιουργήσετε αυτά τα πακέτα, εκτελέστε το ακόλουθο σενάριο που βρίσκεται στον ριζικό κατάλογο:
Αυτό θα δημιουργήσει τα αντίστοιχα πακέτα στον ακόλουθο κατάλογο στον ριζικό κατάλογο του έργου:
Ανεβάστε τα πακέτα στην πλατφόρμα FedML MLOps
Ολοκληρώστε τα παρακάτω βήματα για να ανεβάσετε τα πακέτα:
- Στη διεπαφή χρήστη FedML, επιλέξτε Οι αιτήσεις μου στο παράθυρο πλοήγησης.
- Επιλέξτε Νέα εφαρμογή.
- Μεταφορτώστε τα πακέτα πελάτη και διακομιστή από το σταθμό εργασίας σας.
- Μπορείτε επίσης να προσαρμόσετε τις υπερπαραμέτρους ή να δημιουργήσετε νέες.
Ενεργοποίηση ομοσπονδιακής εκπαίδευσης
Για να εκτελέσετε ομοσπονδιακή εκπαίδευση, ολοκληρώστε τα παρακάτω βήματα:
- Στη διεπαφή χρήστη FedML, επιλέξτε Λίστα έργων στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργήστε ένα νέο έργο.
- Εισαγάγετε ένα όνομα ομάδας και ένα όνομα έργου και, στη συνέχεια, επιλέξτε OK.
- Επιλέξτε το έργο που δημιουργήθηκε πρόσφατα και επιλέξτε Δημιουργία νέας εκτέλεσης να πυροδοτήσει μια προπονητική διαδρομή.
- Επιλέξτε τις συσκευές edge client και τον κεντρικό διακομιστή συγκέντρωσης για αυτήν την εκτέλεση εκπαίδευσης.
- Επιλέξτε την εφαρμογή που δημιουργήσατε στα προηγούμενα βήματα.
- Ενημερώστε οποιαδήποτε από τις υπερπαραμέτρους ή χρησιμοποιήστε τις προεπιλεγμένες ρυθμίσεις.
- Επιλέξτε Αρχική για να ξεκινήσετε την προπόνηση.
- Επιλέξτε κατάσταση εκπαίδευσης καρτέλα και περιμένετε να ολοκληρωθεί η εκτέλεση της εκπαίδευσης. Μπορείτε επίσης να πλοηγηθείτε στις διαθέσιμες καρτέλες.
- Όταν ολοκληρωθεί η εκπαίδευση, επιλέξτε το σύστημα καρτέλα για να δείτε τη διάρκεια του χρόνου εκπαίδευσης στους διακομιστές edge και τα συμβάντα συγκέντρωσης.
Προβολή αποτελεσμάτων και λεπτομερειών πειράματος
Όταν ολοκληρωθεί η εκπαίδευση, μπορείτε να δείτε τα αποτελέσματα χρησιμοποιώντας το FedML και το SageMaker.
Στη διεπαφή χρήστη FedML, στο Μοντέλα καρτέλα, μπορείτε να δείτε το μοντέλο συγκεντρωτή και πελάτη. Μπορείτε επίσης να κατεβάσετε αυτά τα μοντέλα από τον ιστότοπο.
Μπορείτε επίσης να συνδεθείτε στο Στούντιο Amazon SageMaker Και επιλέξτε Πειράματα στο παράθυρο πλοήγησης.
Το ακόλουθο στιγμιότυπο οθόνης δείχνει τα καταγεγραμμένα πειράματα.
Κώδικας παρακολούθησης πειράματος
Σε αυτήν την ενότητα, εξερευνούμε τον κώδικα που ενσωματώνει την παρακολούθηση πειράματος SageMaker με την εκπαίδευση πλαισίου FL.
Σε ένα πρόγραμμα επεξεργασίας της επιλογής σας, ανοίξτε τον ακόλουθο φάκελο για να δείτε τις τροποποιήσεις στον κώδικα για την εισαγωγή κώδικα παρακολούθησης πειράματος SageMaker ως μέρος της εκπαίδευσης:
Για την παρακολούθηση της εκπαίδευσης, εμείς δημιουργήστε ένα πείραμα SageMaker με παραμέτρους και μετρήσεις που καταγράφονται χρησιμοποιώντας το log_parameter
και log_metric
εντολή όπως περιγράφεται στο ακόλουθο δείγμα κώδικα.
Μια καταχώρηση στο config/fedml_config.yaml
αρχείο δηλώνει το πρόθεμα πειράματος, το οποίο αναφέρεται στον κώδικα για τη δημιουργία μοναδικών ονομάτων πειράματος: sm_experiment_name: "fed-heart-disease"
. Μπορείτε να το ενημερώσετε σε οποιαδήποτε τιμή της επιλογής σας.
Για παράδειγμα, δείτε τον παρακάτω κώδικα για το heart_disease_trainer.py
, το οποίο χρησιμοποιείται από κάθε πελάτη για να εκπαιδεύσει το μοντέλο στο δικό του σύνολο δεδομένων:
Για κάθε εκτέλεση προγράμματος-πελάτη, οι λεπτομέρειες του πειράματος παρακολουθούνται χρησιμοποιώντας τον ακόλουθο κώδικα στο heart_disease_trainer.py:
Ομοίως, μπορείτε να χρησιμοποιήσετε τον κωδικό στο heart_disease_aggregator.py
για να εκτελέσετε μια δοκιμή σε τοπικά δεδομένα μετά την ενημέρωση των βαρών του μοντέλου. Τα στοιχεία καταγράφονται μετά από κάθε εκτέλεση επικοινωνίας με τους πελάτες.
εκκαθάριση
Όταν τελειώσετε με τη λύση, φροντίστε να καθαρίσετε τους πόρους που χρησιμοποιούνται για να διασφαλίσετε την αποτελεσματική χρήση των πόρων και τη διαχείριση του κόστους και να αποφύγετε περιττά έξοδα και σπατάλη πόρων. Η ενεργή τακτοποίηση του περιβάλλοντος, όπως η διαγραφή αχρησιμοποίητων περιπτώσεων, η διακοπή περιττών υπηρεσιών και η αφαίρεση προσωρινών δεδομένων, συμβάλλει σε μια καθαρή και οργανωμένη υποδομή. Μπορείτε να χρησιμοποιήσετε τον ακόλουθο κώδικα για να καθαρίσετε τους πόρους σας:
Χαρακτηριστικά
Χρησιμοποιώντας το Amazon EKS ως υποδομή και το FedML ως πλαίσιο για το FL, είμαστε σε θέση να παρέχουμε ένα επεκτάσιμο και διαχειριζόμενο περιβάλλον για εκπαίδευση και ανάπτυξη κοινών μοντέλων, με σεβασμό στο απόρρητο των δεδομένων. Με την αποκεντρωμένη φύση του FL, οι οργανισμοί μπορούν να συνεργάζονται με ασφάλεια, να ξεκλειδώνουν τις δυνατότητες των κατανεμημένων δεδομένων και να βελτιώνουν τα μοντέλα ML χωρίς να διακυβεύεται το απόρρητο των δεδομένων.
Όπως πάντα, η AWS καλωσορίζει τα σχόλιά σας. Αφήστε τις σκέψεις και τις ερωτήσεις σας στην ενότητα σχολίων.
Σχετικά με τους Συγγραφείς
Randy DeFauw είναι Senior Principal Solutions Architect στην AWS. Είναι κάτοχος MSEE από το Πανεπιστήμιο του Μίσιγκαν, όπου εργάστηκε στην όραση υπολογιστών για αυτόνομα οχήματα. Είναι επίσης κάτοχος MBA από το Κρατικό Πανεπιστήμιο του Κολοράντο. Ο Randy κατείχε διάφορες θέσεις στον τεχνολογικό χώρο, που κυμαίνονται από τη μηχανική λογισμικού έως τη διαχείριση προϊόντων. Μπήκε στον χώρο των μεγάλων δεδομένων το 2013 και συνεχίζει να εξερευνά αυτήν την περιοχή. Εργάζεται ενεργά σε έργα στον χώρο της ML και έχει παρουσιάσει σε πολυάριθμα συνέδρια, συμπεριλαμβανομένων των Strata και GlueCon.
Αρνάμπ Σίνχα είναι Senior Solutions Architect για το AWS, ενεργώντας ως Field CTO για να βοηθήσει τους οργανισμούς να σχεδιάσουν και να δημιουργήσουν επεκτάσιμες λύσεις που υποστηρίζουν τα επιχειρηματικά αποτελέσματα σε μεταναστεύσεις κέντρων δεδομένων, ψηφιακό μετασχηματισμό και εκσυγχρονισμό εφαρμογών, μεγάλα δεδομένα και μηχανική μάθηση. Έχει υποστηρίξει πελάτες σε διάφορους κλάδους, όπως η ενέργεια, το λιανικό εμπόριο, η μεταποίηση, η υγειονομική περίθαλψη και οι βιοεπιστήμες. Ο Arnab κατέχει όλες τις Πιστοποιήσεις AWS, συμπεριλαμβανομένης της Πιστοποίησης Ειδικότητας ML. Πριν από την ένταξή του στην AWS, ο Arnab ήταν ηγέτης της τεχνολογίας και προηγουμένως κατείχε ηγετικούς ρόλους αρχιτέκτονα και μηχανικού.
Prachi Kulkarni είναι Senior Solutions Architect στην AWS. Η εξειδίκευσή της είναι η μηχανική μάθηση και εργάζεται ενεργά στο σχεδιασμό λύσεων χρησιμοποιώντας διάφορες προσφορές AWS ML, μεγάλων δεδομένων και αναλυτικών στοιχείων. Η Prachi έχει εμπειρία σε πολλούς τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης, των παροχών, του λιανικού εμπορίου και της εκπαίδευσης, και έχει εργαστεί σε μια σειρά από θέσεις στη μηχανική προϊόντων και την αρχιτεκτονική, τη διαχείριση και την επιτυχία των πελατών.
Tamer Sherif είναι Κύριος Αρχιτέκτονας Λύσεων στην AWS, με ποικίλο υπόβαθρο στον τομέα των συμβουλευτικών υπηρεσιών τεχνολογίας και επιχειρήσεων, που εκτείνεται σε πάνω από 17 χρόνια ως Αρχιτέκτονας Λύσεων. Με έμφαση στην υποδομή, η τεχνογνωσία του Tamer καλύπτει ένα ευρύ φάσμα βιομηχανικών κλάδων, συμπεριλαμβανομένων των εμπορικών, υγειονομικής περίθαλψης, αυτοκινητοβιομηχανίας, δημόσιου τομέα, μεταποίησης, πετρελαίου και φυσικού αερίου, υπηρεσιών μέσων ενημέρωσης και πολλά άλλα. Η επάρκειά του εκτείνεται σε διάφορους τομείς, όπως αρχιτεκτονική cloud, υπολογιστές άκρων, δικτύωση, αποθήκευση, εικονικοποίηση, επιχειρηματική παραγωγικότητα και τεχνική ηγεσία.
Χανς Νέσμπιτ είναι Senior Solutions Architect στην AWS με έδρα τη Νότια Καλιφόρνια. Συνεργάζεται με πελάτες στις δυτικές ΗΠΑ για να δημιουργήσει εξαιρετικά επεκτάσιμες, ευέλικτες και ανθεκτικές αρχιτεκτονικές cloud. Στον ελεύθερο χρόνο του, του αρέσει να περνά χρόνο με την οικογένειά του, να μαγειρεύει και να παίζει κιθάρα.
Chaoyang He είναι συνιδρυτής και CTO της FedML, Inc., μιας startup που τρέχει για μια ανοιχτή και συνεργατική τεχνητή νοημοσύνη κοινότητας από οπουδήποτε και σε οποιαδήποτε κλίμακα. Η έρευνά του επικεντρώνεται σε κατανεμημένους και ομοσπονδιακούς αλγόριθμους μηχανικής μάθησης, συστήματα και εφαρμογές. Έλαβε το διδακτορικό του στην Επιστήμη Υπολογιστών από το Πανεπιστήμιο της Νότιας Καλιφόρνια.
Αλ Νεβάρες είναι Διευθυντής Διαχείρισης Προϊόντων στη FedML. Πριν από το FedML, ήταν διευθυντής προϊόντων ομάδας στην Google και ανώτερος διευθυντής επιστήμης δεδομένων στο LinkedIn. Έχει πολλές πατέντες που σχετίζονται με προϊόντα δεδομένων και σπούδασε μηχανικός στο Πανεπιστήμιο του Στάνφορντ.
Σαλμάν Αβεστιμέρ είναι συνιδρυτής και διευθύνων σύμβουλος της FedML. Υπήρξε Καθηγητής Κοσμήτορας στο USC, Διευθυντής του Κέντρου USC-Amazon για την αξιόπιστη τεχνητή νοημοσύνη και υπότροφος της Amazon στην Alexa AI. Είναι ειδικός στην ομοσπονδιακή και αποκεντρωμένη μηχανική μάθηση, τη θεωρία πληροφοριών, την ασφάλεια και το απόρρητο. Είναι Μέλος του IEEE και έλαβε το διδακτορικό του στο EECS από το UC Berkeley.
Samir Lad είναι ένας καταξιωμένος τεχνολόγος επιχειρήσεων με AWS που συνεργάζεται στενά με στελέχη C-level πελατών. Ως πρώην στέλεχος της C-suite που έχει οδηγήσει σε μετασχηματισμούς σε πολλές εταιρείες του Fortune 100, ο Samir μοιράζεται τις ανεκτίμητες εμπειρίες του για να βοηθήσει τους πελάτες του να πετύχουν στο δικό τους ταξίδι μεταμόρφωσης.
Stephen Kraemer είναι σύμβουλος Διοικητικού Συμβουλίου και CxO και πρώην στέλεχος της AWS. Ο Stephen υποστηρίζει την κουλτούρα και την ηγεσία ως τα θεμέλια της επιτυχίας. Ομολογεί την ασφάλεια και την καινοτομία τους οδηγούς του μετασχηματισμού του cloud, δίνοντας τη δυνατότητα σε εξαιρετικά ανταγωνιστικούς οργανισμούς που βασίζονται σε δεδομένα.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/federated-learning-on-aws-using-fedml-amazon-eks-and-amazon-sagemaker/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 10
- 100
- 14
- 154
- 17
- 20
- 2013
- 247
- 300
- 7
- a
- Ικανός
- Σχετικα
- απουσία
- επιταχύνουν
- επιταχύνοντας
- πρόσβαση
- Πρόσβαση σε δεδομένα
- επιτυγχάνεται
- Λογαριασμός
- ευθύνη
- Λογαριασμοί
- ακρίβεια
- ακριβής
- με ακρίβεια
- την επίτευξη
- απέναντι
- Πράξη
- ηθοποιία
- ενεργός
- δραστήρια
- πραγματικός
- προσαρμογή
- προσθέτω
- προστιθέμενη
- Επιπλέον
- Επιπλέον
- διεύθυνση
- διευθύνσεις
- διευθυνσιοδότηση
- προσαρμόσει
- Υιοθεσία
- σύμβουλος
- συνήγοροι
- Μετά το
- συσσωμάτωση
- Συσσωρευτής
- AI
- στόχοι
- AL
- Alexa
- αλγόριθμοι
- Όλα
- επιτρέπει
- κατά μήκος
- Επίσης
- Αν και
- πάντοτε
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- ανάλυση
- analytics
- αναλύσει
- και
- κάθε
- οπουδήποτε
- Εφαρμογή
- εφαρμογές
- πλησιάζω
- προσεγγίσεις
- αρχιτεκτονική
- αρχιτεκτονικές
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- AS
- αξιολογήσεις
- At
- επίθεση
- γνωρίσματα
- ωκ
- λογιστικού ελέγχου
- Αυτοματοποίηση
- αυτοκινήτων
- αυτονόμος
- αυτόνομα οχήματα
- διαθέσιμος
- αποφύγετε
- AWS
- φόντο
- βασίζονται
- BE
- επειδή
- γίνεται
- ήταν
- πριν
- αρχίζουν
- οφέλη
- Berkeley
- Καλύτερα
- Μεγάλος
- Big Data
- προσχέδιο
- επιτροπή
- ευρύς
- χτίζω
- Κτίριο
- επιχείρηση
- αλλά
- by
- C-σουίτα
- Καλιφόρνια
- CAN
- ικανότητα
- ο οποίος
- περίπτωση
- περιπτώσεις
- Κέντρο
- κεντρικός
- κεντρική
- Διευθύνων Σύμβουλος
- Πιστοποίηση
- πιστοποιήσεις
- πρόκληση
- προκλήσεις
- επιλογή
- Επιλέξτε
- περιστάσεις
- ταξινόμηση
- καθαρός
- πελάτης
- πελάτες
- Κλινικός
- στενά
- Backup
- Συνιδρυτής
- κωδικός
- συνεργάζομαι
- συνεργασία
- συνεργατική
- Κολοράντο
- συνδυασμός
- σχόλια
- εμπορικός
- συνήθως
- Επικοινωνία
- κοινότητα
- οικοδόμηση κοινότητας
- Εταιρείες
- συγκρίνουν
- σύγκριση
- ανταγωνιστική
- πλήρης
- συγκρότημα
- Συμμόρφωση
- εξαρτήματα
- περιεκτικός
- συμβιβασμός
- υπολογιστή
- Πληροφορική
- Computer Vision
- χρήση υπολογιστή
- Πιθανά ερωτήματα
- Συνθήκες
- Διεξαγωγή
- συνέδρια
- διαμόρφωση
- έχει ρυθμιστεί
- συνεπής
- αποτελείται
- συμβουλευτικές
- περιέχουν
- Περιέχει
- περιεχόμενο
- συνεχίζεται
- συνεχής
- συμβάλλει
- έλεγχος
- ελέγχους
- Συντονιστής
- Κόστος
- Διαχείριση κόστους
- σε συνδυασμό
- Καλύμματα
- σκάφος
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- κρίσιμης
- κρίσιμος
- ΚΟΤ
- κουλτούρα
- καμπύλη
- πελάτης
- Επιτυχία πελατών
- Πελάτες
- προσαρμόσιμη
- CXO
- ημερομηνία
- Κέντρο δεδομένων
- Προστασία προσωπικών δεδομένων
- Προστασία προσωπικών δεδομένων και ασφάλεια
- επιστημονικά δεδομένα
- βασίζονται σε δεδομένα
- σύνολα δεδομένων
- Αποκεντρωμένη
- αποφάσισε
- Λήψη Αποφάσεων
- δηλώνει
- Προεπιλογή
- δημογραφικός
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- περιγράφεται
- Υπηρεσίες
- σχέδιο
- επιθυμητή
- καταστρέψει
- καθέκαστα
- Dev
- προγραμματιστές
- ανάπτυξη
- Ανάπτυξη
- συσκευή
- Συσκευές
- διάγραμμα
- διαφέρω
- διαφορετικές
- ψηφιακό
- ψηφιακή Μετασχηματισμού
- Διευθυντής
- κατάλογο
- Νόσος
- διανέμω
- διανέμονται
- κατανεμημένη εκπαίδευση
- διάφορα
- τεκμηρίωση
- domains
- γίνεται
- κατεβάσετε
- αυτοκίνητο
- οδηγείται
- οδηγοί
- κάθε
- οικοσύστημα
- άκρη
- άκρη υπολογιστών
- συντάκτης
- Εκπαίδευση
- Αποτελεσματικός
- αποτελεσματικός
- σμυριδόπετρα
- ενεργοποιήσετε
- δίνει τη δυνατότητα
- ενεργοποίηση
- κρυπτογράφηση
- ενέργεια
- Μηχανική
- ενίσχυση
- εξασφαλίζω
- εξασφαλίζοντας
- εισήχθη
- Εταιρεία
- οντότητες
- καταχώριση
- Περιβάλλον
- περιβάλλοντα
- εποχή
- εποχές
- ειδικά
- αξιολογώντας
- εκτίμηση
- Even
- εκδηλώσεις
- παράδειγμα
- εκτελεστικός
- στελέχη
- διήθηση
- έξοδα
- εμπειρία
- Δραστηριοτητες
- πείραμα
- πειράματα
- εμπειρογνώμονας
- εξειδίκευση
- διερευνήσει
- Επεκτείνεται
- διευκολύνω
- διευκολύνει
- οικογένεια
- ομοσπονδιακό
- ανατροφοδότηση
- σύντροφος
- πιστότητα
- πεδίο
- Αρχεία
- ευρήματα
- εύκαμπτος
- Συγκέντρωση
- εστιάζει
- ακολουθήστε
- Εξής
- Για
- Πρώην
- Τύχη
- Βρέθηκαν
- Ιδρύματα
- Πλαίσιο
- πλαισίων
- από
- πλήρως
- λειτουργία
- περαιτέρω
- GAS
- General
- GitHub
- δεδομένου
- GPU
- Group
- εγγυημένη
- καθοδηγήσει
- Έχω
- he
- Υγεία
- ασφάλεια υγείας
- υγειονομική περίθαλψη
- Καρδιά
- Καρδιακή ασθένεια
- βαριά
- Ήρωας
- βοήθεια
- βοηθά
- αυτήν
- ιεραρχία
- υψηλά
- του
- κατέχει
- φιλοξενία
- Ωστόσο
- HTML
- HTTPS
- i
- IEEE
- if
- απεικονίζει
- εφαρμογή
- εκτελεστικών
- σημαντικό
- βελτίωση
- βελτίωση
- in
- Α.Ε.
- Συμπεριλαμβανομένου
- αυξημένη
- ανεξάρτητος
- ατομικές
- βιομηχανίες
- βιομηχανία
- πληροφορίες
- ενημερώνεται
- Υποδομή
- κάνω ένεση
- Καινοτομία
- ανασφαλής
- μέσα
- ιδέες
- ασφάλιση
- ενσωματωθεί
- Ενσωματώνει
- περιβάλλον λειτουργίας
- Διαλειτουργικότητα
- σε
- ανεκτίμητος
- απομονωμένος
- ζήτημα
- IT
- επαναλήψεις
- ΤΟΥ
- ενώνει
- ταξίδι
- jpeg
- jpg
- Κλειδί
- γνώση
- γνωστός
- λείπει
- Γλώσσα
- large
- αργότερα
- ηγέτης
- Ηγεσία
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Άδεια
- Αφήνει
- βιβλιοθήκες
- Βιβλιοθήκη
- ζωή
- Επιστήμες της Ζωής
- περιορίζοντας
- τοπικός
- τοπικά
- τοποθεσία
- θέσεις
- κούτσουρο
- καταγραφεί
- off
- μηχανή
- μάθηση μηχανής
- Η διατήρηση
- κάνω
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διαχείριση
- διευθυντής
- τρόπος
- κατασκευής
- πολοί
- Ενδέχεται..
- μηχανισμούς
- Εικόνες / Βίντεο
- Metrics
- Μίσιγκαν
- Λεπτ.
- Μετριάζω
- ML
- MLOps
- μοντέλο
- μοντελοποίηση
- μοντέλα
- Μονάδα μέτρησης
- περισσότερο
- πλέον
- πολλαπλούς
- πρέπει
- όνομα
- ονόματα
- Φύση
- Πλοηγηθείτε
- Πλοήγηση
- Ανάγκη
- που απαιτούνται
- αρνητικά
- δίκτυο
- δικτύωσης
- δίκτυα
- Νέα
- πρόσφατα
- επόμενη
- κόμβων
- σημείωση
- πολυάριθμες
- of
- προσφορά
- Offerings
- προσφορές
- συχνά
- Πετρέλαιο
- Πετρέλαιο και Φυσικό αέριο
- on
- αυτά
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- λειτουργούν
- επιχειρήσεων
- Ευκαιρίες
- or
- οργανώσεις
- Οργανωμένος
- δικός μας
- έξω
- αποτελέσματα
- σκιαγραφείται
- παραγωγή
- επί
- δική
- Packages
- παράθυρο
- παράδειγμα
- παραδείγματα
- παράμετροι
- μέρος
- Πέρασμα
- Διπλώματα ευρεσιτεχνίας
- ασθενής
- επίδοση
- Εξατομικευμένη
- phd
- αεροπλάνο
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- σας παρακαλούμε
- Δημοφιλής
- φορητότητα
- θέτει
- θέσεις
- Θέση
- δυναμικού
- προβλέψει
- Προβλέψεις
- προαπαιτούμενα
- παρουσία
- παρουσιάζονται
- προηγούμενος
- προηγουμένως
- Κύριος
- Πριν
- μυστικότητα
- Απορρήτου και Ασφάλεια
- ιδιωτικός
- Προϊόν
- διαχείριση προϊόντων
- υπεύθυνος προϊόντων
- παραγωγή
- παραγωγικότητα
- Δάσκαλος
- εξέλιξη
- σχέδιο
- έργα
- ιδιόκτητο
- προστασία
- πρωτόκολλα
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- δημόσιο
- ποιότητα
- Ερωτήσεις
- σειρά
- κυμαίνεται
- κατατάσσουν
- Τιμή
- Ακατέργαστος
- βασίλειο
- έλαβε
- πρόσφατα
- εγγραφή
- μείωση
- παραπέμπω
- αναφέρονται
- αντικατοπτρίζει
- περιοχές
- ρυθμίζονται
- ρυθμιζόμενες βιομηχανίες
- κανονισμοί
- στη συνέχεια συναρμολογούνται
- αφαίρεση
- Αποθήκη
- εκπροσωπούν
- απαιτούν
- απαιτείται
- απαιτήσεις
- έρευνα
- ερευνητές
- ελαστικός
- πόρος
- Υποστηρικτικό υλικό
- σχετικά με
- εκείνοι
- αποτέλεσμα
- Αποτελέσματα
- λιανική πώληση
- κινδύνους
- εύρωστος
- ρόλους
- ρίζα
- γύρος
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- Σαλμάν
- δείγμα
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- σενάρια
- λόγιος
- Επιστήμη
- ΕΠΙΣΤΗΜΕΣ
- γραφή
- Τμήμα
- τμήματα
- τομέας
- προστατευμένο περιβάλλον
- ασφαλώς
- ασφάλεια
- δείτε
- επιλογή
- στείλετε
- αρχαιότερος
- ευαίσθητος
- ξεχωριστό
- διακομιστής
- Διακομιστές
- Υπηρεσίες
- Συνεδρίαση
- ρυθμίσεις
- διάφοροι
- Κοινοποίηση
- Shared
- Μερίδια
- μοιράζονται
- αυτή
- θα πρέπει να
- Δείχνει
- σημαντικός
- σιλό
- απλοποιημένη
- ενιαίας
- καταστάσεων
- Μέγεθος
- λογισμικό
- τεχνολογία λογισμικού
- λύση
- Λύσεις
- Πηγή
- Πηγές
- Νότιος
- Χώρος
- ένταση
- Ειδικότητα
- συγκεκριμένες
- Φάσμα
- Δαπάνες
- τυποποίηση
- stanford
- Πανεπιστήμιο του Stanford
- Εκκίνηση
- εκκίνηση
- Κατάσταση
- Μελών
- Βήμα
- Στέφανος
- Βήματα
- Ακόμη
- στάθμευση
- χώρος στο δίσκο
- Αυστηρός
- ισχυρός
- μελετημένος
- επιτύχει
- επιτυχία
- τέτοιος
- σουίτα
- υποστήριξη
- υποστηριζόνται!
- Στήριξη
- Υποστηρίζει
- βέβαιος
- συστήματα
- Πάρτε
- Τεχνικός
- τεχνική
- τεχνολόγος
- Τεχνολογία
- πρότυπο
- προσωρινή
- Terraform
- δοκιμή
- ότι
- Η
- οι πληροφορίες
- τους
- τότε
- θεωρία
- επομένως
- Αυτοί
- αυτό
- Μέσω
- ώρα
- προς την
- εργαλεία
- προς
- τροχιά
- Παρακολούθηση
- παραδοσιακός
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- προπονήσεις
- Μεταμόρφωση
- μετασχηματισμούς
- ενεργοποιούν
- αξιόπιστος
- τύποι
- ui
- τελικά
- υπό
- καταλαβαίνω
- μοναδικός
- Ενωμένος
- United States
- πανεπιστήμιο
- Πανεπιστήμιο της Καλιφόρνια
- διαφορετικός
- ξεκλειδώσετε
- περιττός
- χωρίς προηγούμενο
- αχρησιμοποίητος
- Ενημέρωση
- ενημέρωση
- us
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- φιλική προς το χρήστη
- χρησιμοποιεί
- χρησιμοποιώντας
- χρησιμοποιώ
- ΕΠΙΚΥΡΩΝΩ
- επικύρωση
- αξία
- ποικιλία
- διάφορα
- ποικίλλω
- Οχήματα
- κατακόρυφα
- Δες
- όραμα
- περιμένετε
- ήταν
- we
- ιστός
- διαδικτυακές υπηρεσίες
- Ιστοσελίδα : www.example.gr
- βάρος
- Καλωσορίζει
- ΛΟΙΠΌΝ
- Δυτικός
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- ευρύς
- ευρέως
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργάστηκαν
- εργάτης
- εργαζόμενος
- λειτουργεί
- εργασίας
- χρόνια
- Εσείς
- Σας
- zephyrnet